بهینه سازی پرس وجوی خودسازمانده مبتنی بر یادگیری تقویتی بهبودیافته

در سامانه های فرماندهی و کنترل مبتنی بر سیستم های مدیریت پایگاه داده توزیع شده (DBMS)، بهینه سازی پرس وجو (QO) برای مدیریت تاخیر پاسخ و استفاده بهینه از منابع محاسباتی نقشی حیاتی ایفا می کند. این فرآیند شامل انتخاب بهترین طرح اجرای پرس وجو (QEP) از میان گزینه های ممکن است. انتخاب QEP به دلیل عواملی نظیر توزیع داده ها، ترتیب پیوندها، اندازه پرس وجو و سربار ارتباطات شبکه با پیچیدگی بالایی مواجه است. در این پژوهش چارچوب SOD) بخش بندی، بارگذاری مجدد DAG با بهره گیری از الگوریتم یادگیری تقویتی DDQN بهبودیافته ارائه شده است تا کاستی های روش های سنتی QO را در محیط های عملیاتی ناپایدار برطرف سازد. بخش بندی مقیاس پذیری را برای حجم بالای داده های کنترلی فراهم می کند؛ بارگذاری مجدد مدیریت هوشمند منابع را با واگذاری محاسبات از گره های تاکتیکی کم توان به مراکز پردازشی قوی تر ممکن می سازد؛ و اجرای پرس وجوهای مبتنی بر DAG با پردازش موازی زمان پاسخ را کاهش می دهد. همچنین DDQN بهبودیافته با کاهش سوگیری بیش برآورد تصمیم گیری تطبیقی در شرایط پویا و با بازخورد تاخیری را ممکن می کند. در مقایسه با WDDQN و Joindym، چارچوب SOD معیارهای کلیدی هزینه اجرا و تاخیر را بهینه می کند. این رویکرد با پردازش هم زمان این عوامل، بهینه سازی پرس وجو را به طور موثر انجام داده و سرعت تصمیم گیری را افزایش می دهد.

کلیدواژه ها:

بهینه سازی پرس وجو ، شارد ، بارگذاری مجدد DAG ، یادگیری تقویتی